基于聚类算法的电量大数据分析

电力企业存储了海量的用户历史用电量数据,这些数据呈复杂、独立、散乱的状态。若能合理挖掘历史用电量数据,根据不同用电习惯及特点对用户进行聚类,无论是对数据管理还是电量预测都是有利的。基于此,以某市部分用户的用电量数据为数据源,利用K-means算法分析其历史用电量、每月用电量变化量、电量变化率等信息,对各用户的用电量情况按其特性分类。分类后,各类别用户的用电量等信息呈现出鲜明的特点,可作为用户用电量预测的基础,提高预测的精确度。此外,聚类结果可将信息精益化,便于加强管理控制。

基于数据挖掘和LSSVM的电量大数据多维感知方法

为了解决现有电量大数据多维感知方法存在感知性能差的问题,利用数据挖掘技术和LSSVM算法实现对感知方法的优化设计。利用数据挖掘技术构建多维电量数据模型,通过填补缺失数据、修正错误数据和数据标准化等3个步骤,从趋势性、变动性及负荷等3个方面提取电量大数据特征;利用LSSVM算法预测多维电负荷变化量,进行电量大数据多维感知。实验结果表明,所提方法的拟合误差降低了8.4 kW,敏感度指数提高了0.388,电量大数据多维感知性能较优。